Le carbone est partout. C'est dans l'atmosphère, dans les océans, dans le sol, dans notre alimentation, dans nos corps. En tant qu'épine dorsale de toutes les molécules organiques qui composent la vie, le carbone est un prédicteur très précis des rendements des cultures. Et le sol est le plus grand réservoir de carbone sur terre, jouer un rôle important dans la stabilité de notre climat.

En tant que tel, les modèles informatiques qui suivent le carbone tout au long de son cycle dans un agroécosystème ont un énorme potentiel inexploité pour faire avancer le domaine de l'agriculture de précision, augmenter les rendements des cultures et informer sur les pratiques agricoles durables.

« Bien que la modélisation du cycle du carbone dans les agroécosystèmes ait déjà été réalisée, notre travail représente l'intégration la plus complète de modèles et d'observations, ainsi qu'une validation rigoureuse qui comprend des mesures riches à la fois sur le terrain et à l'échelle régionale. Les performances de modélisation de notre solution (publiées ce mois-ci dans Météorologie agricole et forestière ) dépasse de loin les études antérieures, " dit Kaiyu Guan, professeur agrégé de ressources naturelles et de sciences de l'environnement à l'Université de l'Illinois à Urbana-Champaign. Guan est également professeur agrégé Blue Waters au National Center for Supercomputing Applications (NCSA) et directeur fondateur du Agroecosystem Sustainability Center créé par le College of Agricultural, Sciences de la consommation et de l'environnement et iSEE.

Le cycle du carbone dans les agroécosystèmes peut être généralisé en trois principaux flux de carbone qui se déplacent vers et depuis les plantes et le sol. Le carbone pénètre dans le système par photosynthèse. Certains quittent le système via la respiration des plantes et la respiration du sol, tandis que le carbone sous forme de céréales et de biomasse est éliminé lors de la récolte des cultures. En principe, la somme de ces flux est égale au mouvement net de carbone à travers le système - et ce changement net, surtout sur de longues périodes, est ce qui contribue au changement du carbone organique du sol d'un agroécosystème.

Le carbone organique du sol (COS) est exactement ce à quoi cela ressemble :du carbone sous forme de molécules organiques dans le sol. En général, plus le SOC d'un champ est élevé, plus il sera productif. Cependant, dans les terres cultivées du Midwest américain, environ 30 à 50 % du COS a été perdu depuis le début de leur culture. Cette perte de COS peut augmenter le risque de diminution du rendement des cultures, surtout dans les conditions climatiques futures.

Les membres de l'équipe du projet SMARTFARM de Guan ont utilisé un modèle d'agroécosystème avancé nommé ecosys, qui contient les mécanismes les plus complexes pour simuler l'énergie, l'eau, carbone, et le cycle des flux de nutriments dans l'agroécosystème. Ce modèle a été développé à l'origine par le professeur de modélisation des écosystèmes Robert Grant de l'Université de l'Alberta. Au cours des dernières années, L'équipe de Guan a déployé des efforts continus pour élaborer une solution afin de contraindre davantage le modèle ecosys avec des données d'observation massives.

Les chercheurs ont utilisé une approche innovante de "fusion modèle-données", qui intègre des simulations de modèles avancées avec des données d'observation. Cette approche leur a permis de valider les résultats de la simulation du modèle, contraindre les paramètres incertains du modèle, et s'assurer que le modèle émule les processus entraînant le cycle du carbone à toutes les étapes. Plusieurs types de jeux de données ont été utilisés, comme les données de tour de flux de covariance de Foucault, qui est largement considéré comme l'étalon-or pour les mesures du carbone à l'échelle du paysage ; les données de rendement des cultures de l'USDA qui fournissent le carbone récolté ; et de nouvelles données satellitaires qui fournissent des observations sur la photosynthèse.

"En outre, nous avons utilisé des données détaillées d'allocation carbone mesurées sur 10 ans, " a déclaré l'auteur principal Wang Zhou, un associé de recherche postdoctoral. "Ce sont les données qui vous indiquent où une plante alloue le carbone qu'elle absorbe de la photosynthèse - combien va à la tige, combien aux racines, combien aux feuilles."

"Ce qui rend vraiment notre solution de modélisation passionnante, " Guan a dit, « est-ce que nous utilisons les observations les plus avancées des satellites pour contraindre un modèle d'agroécosystème puissant, et nous démontrons que cela peut atteindre les meilleures performances dans l'estimation des différents composants du carbone. » Au début de cette année, Guan et le chercheur scientifique Chongya Jiang ont développé un algorithme pour estimer la photosynthèse à partir de données satellitaires. Ces nouvelles données de photosynthèse disponibles dans tous les champs de maïs et de soja du Midwest américain ont également été utilisées pour valider et contraindre le modèle afin de garantir que l'équipe puisse reproduire avec précision la photosynthèse observée par satellite et le rendement des cultures rapporté par l'USDA, ainsi que leurs réponses à la variabilité environnementale.

"L'intégration des observations satellitaires avec un modèle basé sur les processus comme ecosys est la clé pour assurer la précision de notre solution, et plus important, le potentiel d'utiliser notre solution de modélisation à un nouvel emplacement, comme l'Amérique du Sud ou l'Afrique, ", a déclaré le chercheur scientifique Bin Peng.

Avec autant de pièces mobiles, beaucoup de temps et d'efforts ont été consacrés au développement de cette solution de fusion modèle-données. L'équipe de Guan est fière de publier le premier article sur le modèle en Météorologie agricole et forestière , et les chercheurs ont quelques autres articles utilisant cette méthode dans les travaux. Par exemple, dans une autre étude récente impliquant l'équipe de Guan et dirigée par l'Université du Minnesota, les chercheurs ont intégré leurs résultats simulés par ecosys à l'intelligence artificielle pour estimer N 2 Émission d'O de la ceinture de maïs des États-Unis. Cette étude a été publiée dans Lettres de recherche environnementale.

"C'est l'état de l'art pour quantifier le budget et le crédit carbone, " a déclaré Guan. "Nous voulons montrer aux gens ce qui est possible et établir des normes élevées pour l'avenir. Nous laissons la science rigoureuse parler d'elle-même. Je crois que c'est la façon la plus puissante de dire les choses en tant que scientifiques."

le projet SMARTFARM de Guan, un programme financé par le département américain de l'Énergie, se concentre sur la technologie pionnière pour quantifier les crédits de carbone à l'échelle du terrain pour les terres agricoles américaines. L'ambition de l'équipe est d'utiliser cette méthode de fusion modèle-données développée comme base pour quantifier avec précision le bilan carbone à n'importe quelle échelle, et soutiennent également la gestion intelligente à l'échelle de la ferme. Grâce à l'agriculture de précision, ils espèrent aider les agriculteurs non seulement à maximiser leurs rendements, mais aussi mieux pérenniser leurs terres et leur contenu en COS.

Diverses agences de financement ont soutenu l'équipe de Guan au fil des ans, y compris le National Science Foundation Career Award, la Fondation pour la recherche sur l'alimentation et l'agriculture, DOE Advanced Research Projects Agency-Energy SMARTFARM programme, Programme de système de surveillance du carbone de la NASA, et l'Institut national de l'alimentation et de l'agriculture de l'USDA.

En plus de Guan, Accorder, Zhou, Jiang, et Peng, les co-auteurs de cette dernière publication incluent Jinyung Chang, Laboratoire national Lawrence Berkeley; Zhenong Jin, Université du Minnesota; et Symon Mezbahuddin, Université de l'Alberta.